Nari AI 正式推出了 Nari Qwen3-TTS，一款基于阿里云 Qwen3-TTS 1.7B 模型的高性能文本转语音（TTS）服务。通过自研的专用推理引擎，Nari 在单张英伟达H100 SXM 上实现了惊人的吞吐量和极低的延迟，旨在打破多模态 AI 应用中的成本与速度瓶颈
- 地址：https://narilabs.com/product/qwen3-tts/
- GitHub：https://github.com/nari-labs/nari-qwen3-tts
核心性能亮点
| 指标 | Nari Qwen3-TTS | 行业标杆 (ElevenLabs v3.1) | 优势 |
|---|---|---|---|
| 首帧音频时间 (TTFA) | < 50 ms (Fast 模式) | ~300 ms | 快 6 倍，实现真正的实时交互 |
| 高负载表现 | < 80 ms (p95 @ 20 RPS) | – | 在高并发下依然保持极低延迟 |
| 吞吐量 | 10 RPS (单 H100) | – | 极高的硬件利用率 |
| 成本 | $5 / 百万字符 (Standard) | ~$50 / 百万字符 | 便宜 10 倍 |
注：Nari 强调其瓶颈不在于模型本身，而在于推理引擎。通过从头构建专为 Qwen3-TTS 调优的引擎，他们释放了模型的潜在性能。
功能特性
- 双模式端点：
- Fast 模式：极致低延迟，适合实时对话、语音助手等对响应速度要求极高的场景。
- Standard 模式：平衡速度与音质，成本极低，适合大规模内容生成。
- 富有表现力的声音：在初步独立基准测试中，其情感表达和自然度得分高于领域平均水平。
- 流式与非流式支持：
- 通过 HTTP 暴露标准的流式和非流式语音生成接口。
- 即将推出：基于 WebSocket 的输入流式传输，支持增量文本输入，进一步降低端到端延迟。
- 自定义声音克隆：支持 CustomVoice 功能（即将全面开放），允许用户创建专属音色。
定价与免费测试版
Nari 采取了激进的定价策略，旨在推动多模态应用的普及：
- Standard 模式：$5 / 百万字符（约为 ElevenLabs 的 1/10）。
- 免费公开测试版：
- 截止时间：太平洋时间 9 月 16 日 23:59（已结束）。
- GA 阶段福利：现有组织将获得 $20 欢迎积分。
- 免费额度：
qwen3-tts-fast:free：每日最多 100 次请求。qwen3-tts:free：每日最多 100 次请求。
- 限制：账户并发限制为 2（所有 TTS 模型共享），免费端点以“尽力而为”方式提供，不保证 SLO。
技术架构
- 底层模型：Qwen3-TTS 1.7B（CustomVoice 版本）。
- 推理引擎：Nari 自研，针对 Qwen3-TTS 进行了深度优化，而非使用通用的开源推理框架。
- 硬件需求：单张 NVIDIA H100 SXM 即可支撑高并发服务，显著降低了部署门槛。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
